strona 1M. Muraszkiewicz

Mieczysław MuraszkiewiczWydział Elektroniki

i Technik InformacyjnychPolitechniki Warszawskiej

M.Muraszkiewicz@ii.pw.edu.pl

Ku inteligentnym

systemom informacyjnym

strona 2M. Muraszkiewicz

prof. Mieczysław Muraszkiewicz

Mieszka w Warszawie

Mrg inż., Politechnika Warszawska, 1972

Doktorat, Polska Akademia Nauk, 1978

Habilitatacja, Politechnika Warszawska, 1984

Profesor, 1993

Obszary zainteresowań:

sieciowe systemy informacyjne, głeboka analiza danych, techniki mobilne,

e/m-governance, semantyczny web

Ekspert Narodów Zjednoczonych, Banku Światowego, Komisji Europejskiej i

rządu RP oraz korporacji telefonii bezprzewodowej w Polsce, Holandii i

Niemczech.

Publikacje:

ponad 110 artykułów i 12 książek; liczne wykłady zaproszone

Afiliacja: Politechnika Warszawska

strona 3M. Muraszkiewicz

Prolog

strona 4M. Muraszkiewicz

Motto

“The purpose of

computing is

insight, not

numbers.”

Richard Hamming 1916 - 1998

strona 5M. Muraszkiewicz

Rajmunda Lullusa Ars Magna

1232 - 1316 Drzewo przyrody i logiki

Doctor illuminatus, R. Lullus, twierdził, że

prawdziwość nawet „najwyższych tajemnic”

może być dowiedziona mechanicznie, używając

logiki i Ars Magna.

strona 6M. Muraszkiewicz

1. Prolog

2. Morfologia tytułu wykładu

3. Reprezentacja wiedzy

4. Teza wykładu

5. Wybrane metody reprezentacji wiedzy

- logika

- sieci semantczne

- algorytmy genetyczne

6. Epilog

Spis treści

strona 7M. Muraszkiewicz

Morfologia

tytułu wykładu

strona 8M. Muraszkiewicz

• inteligencja,

• informacja,

• system,

• system informacyjny.

Słowa kluczowe

strona 9M. Muraszkiewicz

Inteligencja

strona 10M. Muraszkiewicz

• zdolność uczenia się,

• odkrywanie zależności (relacji),

• umiejętność rozumowania i wyciągania wniosków,

• zdolność rozwiązywania problemów,

• umiejętność mentalnego manipulowania obiektami,

• planowanie,

• umiejętności adaptacyjne,

• ...

W ujęciu kolokwialnym

strona 11M. Muraszkiewicz

„Intelligence is the

computational part of the

ability to achieve goals in

the world.

Varying kinds and degrees

of intelligence occur in

people, many animals and

some machines.”

http://www.kurzweilai.net/meme/frame.html?

main=/articles/art0088.html

Inteligencja wg J. McCarthy’ego

strona 12M. Muraszkiewicz

Inteligencja wg Ch. Spermana

Charles Spearman (1863-1945)

zaproponował jedną miarę

inteligencji, tzw. czynnik g (general).

Ma on mierzyć zdolność człowieka do

radzenia sobie z różnymi problemami

natury intelektualnej. Czynnik g ma być

swoistym destylatem różnego rodzaju

zdolności.

Źródło: Ch. Sperman, „General Intelligence, Objectively Determined and Measured”,

American Journal of Psychology, 15, 201-293, 1904

strona 13M. Muraszkiewicz

­ Lingwistyczna

­ Logiczna

­ Muzyczna

­ Przestrzenna

­ Ruchowa

­ IntRApersonalna

­ IntERpersonalna

­ Środowiskowa

Rodzaje inteligencji wg H. Gardnera

Źródło: H. Gardner. „Multiple intelligences”, New York, BasicBooks, 1993

strona 14M. Muraszkiewicz

Dwie szkoły

Inteligencja jest jedna

Sir F. Galton

Ch. Spearman

H.J. Eysenck

A.R. Jensen

Inteligencji jest wiele

H. Gardner

R.J. Sternberg

D. Zohar

strona 15M. Muraszkiewicz

Dwa cytaty

F. Scott Fitzgerald:

"The test of a first-rate intelligence is the

ability to hold two opposed ideas in the mind

at the same time, and still retain the ability to

function."

Cole's axiom:

"The sum of intelligence on the planet is a

constant; the population is growing."

strona 16M. Muraszkiewicz

Test A. Turinga (dot. maszyn):Jeśli człowiek prowadząc rozmowę z

niewidocznym interlokutorem nie jest w

stanie wykryć, że rozmówcą jest maszyną, to

można powiedzieć, że maszyna pozytywnie

przeszła Turinga test inteligencji.

Testy

1912 - 1954

Test D. Wechslera (dot. ludzi):Składa się z sześciu testów słownych

(Wiadomości, Powtarzanie Cyfr, Słownik,

Arytmetyka, Rozumienie, Podobieństwa)

oraz pięciu testów bezsłownych (Braki w

Obrazkach, Porządkowanie Obrazków,

Klocki, Układanki, Symbole Cyfr). 1896 - 1981

strona 17M. Muraszkiewicz

Pytanie 1

Czy świadomość jest

niezbędnym

elementem

inteligencji ?

strona 18M. Muraszkiewicz

ElizaI'm sorry to hear that you are depressed. (Eliza)

-- It's true, I am unhappy. (człowiek)

Do you think coming here will help you not to be

unhappy?

-- I need some help, that much seems certain.

What would it mean to you if you got some help?

-- Perhaps I could learn to get along with my mother.

Tell me more about your family.

...

Eliza, program komputerowy z 1966 stworzony przez

prof. Josepha Weizenbauma z MIT.

strona 19M. Muraszkiewicz

Pytanie 2

Czy inteligencja może pojawić się

samorzutnie („emergentnie”) w

złożonych i dużych strukturach

przetwarzających informacje i

wyposażonych w pamięć ?

strona 20M. Muraszkiewicz

Pytanie 3

Czy zastosowania

i sukcesy sztucznej

inteligencji mogą stać się

źródłem dylematów natury

etycznej ?

strona 21M. Muraszkiewicz

Kognitywistyka

„Kognitywistyka: synteza wiedzy o umyśle.

Składa się na nią:

• Refleksja filozoficzna nad naturą umysłu.

• Wiedza o zjawiskach psychicznych oraz zachowaniu ludzi i

zwierząt.

• Psycholingwistyka, badanie języka.

• Biologiczne podłoże zjawisk psychicznych - badania nad

mózgiem.

• Modele matematyczne i podejście inżynierskie: zbudujmy

sobie coś podobnego”

prof. Wodzisław Duch

http://www.phys.uni.torun.pl/~duch/cognitive.html

strona 22M. Muraszkiewicz

Warto odwiedzić/przeczytać:

Human Intelligence sites

www.indiana.edu/~intell/index.shtml

www.psych.utoronto.ca/~reingold/courses/

intelligence/intelligenceweb.html

Intelligence: One versus Many

www.personalityresearch.org/intelligence.html

Książka

E. Nęcka, J. Sowa. „Człowiek-umysł-maszyna.

Rozmowy o twórczości i inteligencji”, Znak, 2005

strona 23M. Muraszkiewicz

Informacja

strona 24M. Muraszkiewicz

Dane, informacja, wiedza

• Informacja dane + interpretacja

np. tel.: 12-01-53

• Wiedza informacje powiązane

relacjami

np. 12 01 53 jest nr. telefonu Annynp. jeśli masz pieniądze, to jesteś bogaty

• Dane ciąg znaków, np. 12-01-53

strona 25M. Muraszkiewicz

Piramida epistemologiczna

dane

informacje

wiedza

mądrość

?

nie poddaje się komputeryzacji

poddaje się komputeryzacji

strona 26M. Muraszkiewicz

Spostrzeżenie

Choć dysponujemy

ogromnymi zasobami

danych („morzem

danych”), to wziąż

brakuje nam .... wiedzy.

strona 27M. Muraszkiewicz

System

strona 28M. Muraszkiewicz

Spojrzenie algebraiczne

System =

<zbiór elementów,

zbiór relacji,

zbiór operacji

>

strona 29M. Muraszkiewicz

System informacyjny

strona 30M. Muraszkiewicz

Generyczne funkcje SI

Systemy informacyjne (SI)

służą do:

• Przechowywania informacji/wiedzy.

• Odpowiadania na pytania.

• Odkrywania wiedzy (poznawania świata na podstawie jego modeli

informacyjnych) –SI jako maszyna epistemologiczna.

strona 31M. Muraszkiewicz

komponent poziom

Funkcja celu 0

Model danych 3

Model procesów 2

Baza danych 2

Język interakcji (zwłaszcza wyszukiwanie) 3

Sprzęt 2

Oprogramowanie 3

Wydajność 2

Administracja systemu i utrzymanie go w ruchu 2

Mechanizmy ochrony danych i praw dostępu 3

Ludzie (personel, użytkownicy) ?

Aspekty finansowe ?

Otoczenie, sprawy organizacyjne ?...

System informacyjny

strona 32M. Muraszkiewicz

Wiedza

strona 33M. Muraszkiewicz

Mówi klasyk:

„Wszyscy ludzie

pragną wiedzy”

Arystoteles, "Metafizyka"

strona 34M. Muraszkiewicz

Pytanie

Czy komputery mogą być (są)

pożytecznym narzędziem do

poszukiwania/pozyskiwania

wiedzy oraz do wspierania

wnioskowania i myślenia?

strona 35M. Muraszkiewicz

Nie ma jednoznacznej, akceptowanej

przez większość, definicji wiedzy !

Wiedza dotyczy m.in.:

• obiektów, faktów,

• zdarzeń,

• procedur,

• wiedzy o sobie (metawiedza).

Czym jest wiedza ?

strona 36M. Muraszkiewicz

Czym jest wiedza ? – cd.

W ujęciu „filozoficznym” za wiedzę uznaje się

zbiór uzasadnionych przekonań.

W ujęciu „naukowym” za wiedzę uznaje się

zbiór uzasadnionych empirycznie lub logicznie/

matematycznie stwierdzeń, które można

poddawać falsyfikacji i krytyce (K. Popper).

W życiu „potocznym” za wiedzę uznaje się zbiór

doświadczeń i przekonań.

strona 37M. Muraszkiewicz

Wie ten,

kto umie klasyfikować.

Z. Pawlak

B. Russel

...

Czym jest wiedza ? – cd.

strona 38M. Muraszkiewicz

„Knowledge

is experience”

(A. Einstein)

Czym jest wiedza ? – cd.

strona 39M. Muraszkiewicz

Wiedza, to warunek podejmowania skutecznych

działań

(mantra świata korporacyjnego

i nie tylko ....)

Czym jest wiedza ? – cd.

strona 40M. Muraszkiewicz

Wiedza w organizacjach

Są to dane, informacje, procedury dotyczące

produktów, usług, rynków, technologii i procesów

biznesowych, które firma posiada lub powinna

posiadać po to, aby tworzyć wartość dodaną.

• własni i współpracujący eksperci

• technologie (know-how)• procesy

• patenty

• regulacje prawne

• rozwiązania organizacyjne

• relacje z klientami• ...

• bazy danych

• hurtownie danych

• zasoby w intranecie

• programy komputerowe

• e- oraz tradycyjne archiwa, w tym archiwa e-mailowe

• spisy

• ...

strona 41M. Muraszkiewicz

Czy wiedza może być

fałszywa ?

Bardzo ważne pytanie

strona 42M. Muraszkiewicz

Reprezentacja

wiedzy (RW)

strona 43M. Muraszkiewicz

Reprezentacja ma znaczenie

na papierze w komputerzetekst kod

strona 44M. Muraszkiewicz

Po co RW ?

-- Rejestrowanie wiedzy:(i) dokumentacja, (ii) komunikacja.

-- Łatwość manipulowania

wiedzą w celu:(i) rozpoznawania, (ii) poznawania.

-- Badanie ludzkiej inteligencji.

strona 45M. Muraszkiewicz

Główną siłą sprawczą wyznaczającą zakres i

kierunek prac nad reprezentowaniem

wiedzy jest to, do czego owa reprezentacja

ma być stosowana oraz w - w pewnym

stopniu – to, w jaki sposób wiedza będzie

pozyskiwana.

Nie istnieje zatem jedna, akceptowana przez

wszystkich definicja terminu reprezentacja

wiedzy.

Nota

strona 46M. Muraszkiewicz

„Reprezentowanie wiedzy

polega na tworzeniu

opisów świata lub jego

stanów”

R. Brachman, H. Levesque, 1985

Definicja ogólna RW

strona 47M. Muraszkiewicz

„Knowledge representation is a multidisciplinary

subject that applies theories and techniques

from three other fields:

- Logic provides the formal structure and rules of

inference.

- Ontology defines the kinds of things that exist in

the application domain.

- Computation supports the applications that

distinguish knowledge representation from pure

philosophy.”John F. Sowa, „Knowledge Representation: Logical, Philosophical,

and Computational Foundations”, Brooks Cole Publishing Co., Pacific Grove, 2000

Definicja RW wg J. Sowa

strona 48M. Muraszkiewicz

Przez reprezentację wiedzy

rozumie się tu sposób w

jaki wiedza o świecie jest

przedstawiana wraz z

metodami przetwarzania, a

zwłaszcza wnioskowania

(inferencji).

„Nasza” definicja RW

strona 49M. Muraszkiewicz

Formalna definicja RW

RW =

<Język_opisu_wiedzy,

Mechanizm_przetwarzania_wiedzy

>

strona 50M. Muraszkiewicz

Procesy dotyczące RW

pozyskiwanie

wykorzystanie

Reprezentacja

wiedzy

(schematy)

manipulowanie

strona 51M. Muraszkiewicz

Problemy i cechy schematów RW

− zakres ("co można reprezentować ?"),

− wiarygodność / aktualność / pełność,

− rozdzielczość (wielkość "ziarna

reprezentacji") / dokładność,

− jaka jest wzajemna relacja pomiędzy

dokładnością i kosztem przetwarzania ?

strona 52M. Muraszkiewicz

Problemy i cechy schematów RW

− modularność / kontekstowość (podatność

na dodawanie, usuwanie elementów),

− czytelność dla człowieka,

− reprezentowanie niepełnej wiedzy,

przekonań, zdrowego rozsądku,

− reprezentowanie czasu i procesów,

− wiedza jawna - niejawna

("zaszyta", np. w treści programu),

strona 53M. Muraszkiewicz

Problemy i cechy schematów RW

− wnioskowanie niededukcyjne,

− wnioskowanie niemonotoniczne,

− niezawodność i efektywność wnioskowania,

− reprezentowanie metawiedzy,

− proceduralność, nieproceduralność,

− .... inne

strona 54M. Muraszkiewicz

Warto przeczytać/odwiedzić:

Ronald Brachman, Hectore Levesque (editors):

„Readings in Knowledge Representation”,

Morgan Kaufmann, 1985.

Ronald Brachman, Hectore Levesque, „Knowledge

Representation and Reasoning ”, Morgan Kaufmann, 2004.

R. Davis, H. Shrobe, and P. Szolovits, „What is a

Knowledge Representation?”, AI Magazine, 14(1):17-33,

1993

John F. Sowa, „Knowledge Representation: Logical,

Philosophical, and Computational Foundations”, Brooks

Cole Publishing Co., Pacific Grove, 2000

http://en.wikipedia.org/wiki/Knowledge_representation

strona 55M. Muraszkiewicz

Metody reprezentacji wiedzy

strona 56M. Muraszkiewicz

Prosty podział metod RW

Analityczno-symboliczne

Oparte na pomysłach i koncepcjach wymyślonych przez człowieka (wpływy logiki i

matematyki – J. von Neumann).

„Naturalistyczne”

Oparte na rozwiązaniach wytworzonych przez „matkę naturę” w drodze ewolucji (wpływy

psychologii, neurologii, biologii, ewolucjonizmu –

K. Darwin, ...).

strona 57M. Muraszkiewicz

Kilka metod RW

• język naturalny,

• metody stosowane w obszarze baz danych, np. UML

• logika matematyczna (klasyczna, niestandardowa),

• reguły produkcji (production rules),

• sieci semantyczne (semantic networks),

• grafy koncepcji (concept graphs),

• ontologie,

• ramy, scenariusze (frames, scripts),

• zbiory przybliżone (rough sets),

• XML (?)

• sieci neuronowe (neural nets),

• algorytmy genetyczne (genetic algorithms)

• ...

strona 58M. Muraszkiewicz

Związki: SzI - SI

Systemy

informacyjne

(SI)Sztuczna

inteligencja

(SzI)

Reprezentacja

wiedzy

strona 59M. Muraszkiewicz

Teza główna

strona 60M. Muraszkiewicz

Teza wykładu

Dyskusje i praca nad inteligentnymi

systemami informacyjnymi na

platformach komputerowych w

dużym stopniu sprowadzają się do

kwestii reprezentacji wiedzy, a

zwłaszcza do metod wnioskowania.

strona 61M. Muraszkiewicz

Wybrane metody RW

strona 62M. Muraszkiewicz

Logika

strona 63M. Muraszkiewicz

Stagiryta

ArystotelesΑριστοτέλης

384 – 322 p.n.e.

I. Kant był przekonany, że

Arystoteles dokonał

wszyskiego, co mozliwe w

logice.

strona 64M. Muraszkiewicz

Tako rzecz Stagiryta

Dla Arystotelesa logika była narzędziem

myślenia - "Organon".

Od niego pochodzi termin sylogizm.

W jego "Analitykach pierwszych i wtórych"

znajdujemy przykład sylogizmu:

jeśli każda roślina płaskolistna traci liście, a każdy

krzew winorośli jest rośliną płaskolistną,

to każdy krzew winorośli traci liście".

strona 65M. Muraszkiewicz

Pytanie

Czy logika jest wrodzoną cechą

umysłu, z która się rodzimy,

czy raczej jest umiejętnością

nabytą, swego rodzaju

przystosowaniem

środowiskowo-kulturowym ?

Przykład: implikacja

odkrywamy

czy

wymyślamy ?

p q p → q

0 0 1

0 1 1, 0 ?

1 0 0

1 1 1

strona 66M. Muraszkiewicz

Polscy logicy

T. Kotarbiński K. Ajdukiewicz

A. Tarski

J. ŁukasiewiczS. Leśniewski

strona 67M. Muraszkiewicz

Inni giganci

B. Bolzano

B. Russell

G. Boole

K. Gödel A. Turing G. Chaitin

Kto z

Państwa

następny ?

G. Leibniz F. G. Frege

strona 68M. Muraszkiewicz

Cele logiki formalnej

1. Odkrywać, opisywać, badać zasady wnioskowania.

2. Zbadać i wykazać poprwność fundamentów matematyki; znaleźć odpowiedź na tzw. Entscheidungsproblem, Hilbert, 1900.[podać procedurę pozwalającą automatycznie rozstrzygać czy zdanie/ twierdzenie jest prawdziwe, czy fałszywe]

3. Zautomatyzować wnioskowanie (calculus, rachunek).

D. Hilbert

strona 69M. Muraszkiewicz

Składniki logiki

• język,

• semantyka,

• mechanizm

inferencyjny.

strona 70M. Muraszkiewicz

Język

Alfabet (zbiór symboli):stałe indywiduowe,

zmienne indywiduowe,

funkcje n-argumentowe,

relacje n-argumentowe czyli predykaty,

spójniki logiczne [ , ],

kwantyfikator ogólny [ ],

znaki interpunkcyjne [ , ( ) ]

Syntaktyka czyli składnia:termy (zbudowane ze stałych, zmiennych i funkcji)

- reprezentują obiekty ze świata,

formuły (zbudowane z predykatów i termów)

- reprezentują fakty o świecie.

Język jest

asemantyczny

strona 71M. Muraszkiewicz

Semantyka

Semantyka opisuje związek pomiędzy językiem a

"światem rzeczywistym".

Horse

This is a horse

1

0

Poprawnym

gramatycznie zdaniom

przypisuje się wartości

logiczne.

• prawda (1, T) lub

• fałsz (0, F)

strona 72M. Muraszkiewicz

Mechanizm inferencyjny

Reguły wnioskowania, np.

modus ponens - , / ;

Robinsona rezolucja - A B, C B / A C

uogólniania - / x

strona 73M. Muraszkiewicz

Teoria

Teoria jest sformalizowanym opisem świata

rzeczywistego.

W logice jest to pojęcie par excellence syntaktyczne.

Teoria = <

język, czyli zbiór formuł,

zbiór aksjomatów logicznych,

zbiór aksjomatów specyficznych,

reguły wnioskowania >

Aksjomaty logiczne (tautologie) i reguły

wnioskowania są ustalone. A więc teorię określa się

przez podanie symboli i aksjomatów specyficznych,

co w praktyce oznacza, że teorię można utożsamiać

ze zbiorem aksjomatów specyficznych.

strona 74M. Muraszkiewicz

Ważne stwierdzenie

Systemy informacyjne

„w logice” są teoriami.

strona 75M. Muraszkiewicz

Odpowiadanie na pytania

Odpowiadanie na pytania w

logicznych systemach

informacyjnych polega na

potraktowaniu pytania jako

twierdzenia (zdania

oznajmującego)

i próbie udowodnienia go.

strona 76M. Muraszkiewicz

Przykład

Baza faktów

Matka(Anna, Kasia),

Matka(Anna, Tomek),

Rodzeństwo(Jacek, Kasia),

Rodzeństwo(Irena, Maria),

Ojciec(Jan, Kasia),

Dziecko(Kasia, Anna, Jan),

...

Baza reguł

Matka(x, y) Matka(x, z)

Rodzeństwo(y, z),

Matka(x, y) Ojciec(z, y)

Dziecko(y, x, z),

...

PYTANIE

Czy Tomek i Kasia są rodzeństwem ?

FORMUŁA

Rodzeństwo(Tomek, Kasia)

ODPOWIEDŹ

Matka(x, Tomek) Matka(x, Kasia)

Rodzeństwo(Tomek, Kasia) jest

prawdziwe z bazy reguł

Matka(Anna, Tomek),

Matka(Anna, Kasia)

są prawdziwe z bazy faktów

a zatem na mocy modus ponens

Rodzeństwo(Tomek, Kasia) jest

prawdziwe, czyli są rodzeństwem.

Baza wiedzy

strona 77M. Muraszkiewicz

Zalety SI „w logice”

1. Język opisu zbliżony jest do języka naturalnego.

2. Uniwersalność języka logiki - opisuje bazę wiedzy i jest językiem manipulacji w tym językiem zapytań.

3. Deklaratywność (a nie proceduralność), co ułatwia komunikację.

4. Większa moc ekspresji niż bazy tradycyjne (np. "Janek zawsze ma słodycze lub owoce", "Kowalski nie jest inżynierem").

5. Modularność opisu.

6. Prowadzenie wnioskowania(np. wg. Robinsona schematu rezolucji: A B, C B/A C).

strona 78M. Muraszkiewicz

Wady SI „w logice”

1.Obowiązuje tw. Gödela.Teorie pierwszego rzędu w ogólnym

przypadku nie są rozstrzygalne, lecz są

półrozstrzygalne.

2.Duża złożoność

obliczeniowa.

(„wybuch wykładniczy”).

strona 79M. Muraszkiewicz

Warto przeczytać klasyków:

K. Ajdukiewicz, „Język i poznanie”, PWM, 1985.

T. Kotarbiński, „Wykłady z dziejów logiki”, PWN, 1985.

T. Kotarbiński, „Elementy teorii poznania, logiki formalnej i

metodologii nauk”, PWM, 1986.

A. Tarski, „Wprowadzenie do logiki”, Philomath, 1994.

A. Grzegorczyk, „Zarys logiki matematycznej”, PWN, 1981.

W. Pogorzelski, „Klasyczny rachunek kwantyfikatorów.

Zarys teorii”, PWN, 1981.

http://pl.wikipedia.org/wiki/Kategoria:Logika

strona 80M. Muraszkiewicz

Sieci semantyczne

strona 81M. Muraszkiewicz

Brak normy

Do tej pory nie opracowano definicji sieci

semantycznej, ani standardowych narzędzi

do ich opisu. Nie ma zatem powszechnie

akceptowanego sposobu opisu semantyki

sieci semantycznych ! (np. takiego, jaki

stosuje się w logice 1-go rzędu).

Znaczenie nadawane sieci wynika tylko z

treści procedur, które operują na sieci.

strona 82M. Muraszkiewicz

Budowa, ISA

Zasadniczymi składnikami sieci

są węzły sieci, łuki i napisy.

Sieć jest pewnym grafem.

Zasadniczą relacją jest relacja

taksonomii ISA (dziedziczenia

hierarchicznego).

Wszystkie kosy są ptakami

Możemy tu dodać informację, że:

Jaś jest kosem

kos ptakisa

kos ptakisa

Jaśisa

Możliwe jest zatem natychmiastowe wnioskowanie dedukcyjne:

Jaś jest kosem, kos jest ptakiem, zatem Jaś jest ptakiem.

strona 83M. Muraszkiewicz

Pułapki wnioskowania

Oprócz relacji taksonomii, zwykle potrzebne są do

opisu świata modelowanego relacje opisujące

własności obiektów, np. typu has_parts.

wnioskowanie prowadzi do wniosku, że uczeni

badają Jasia, co może ale nie musi być prawdą !

kos ptakisa

Jaśisa

skrzydłahas_part

gatunek chroniony uczenijest_badany

isa

strona 84M. Muraszkiewicz

Problemy

Ten nieoczekiwany rezultat wynika z tego, że w

powyższej sieci nie odróżnia się klasy obiektów od

konkretnego obiektu (wystąpienia). Rozwiązaniem

tych problemów zajmowali się m.in. Woods (1975),

Stefik (1980).

Problemów i pytań jest więcej, np.: czym jest węzeł;

jak reprezentować czas, idee, przekonania,

informacje niepewne i/lub niekompletne; jakie

powinny być reguły dziedziczenia własności ?

strona 85M. Muraszkiewicz

Sieć semantyczna jest systemem

informacyjnym.

Dla większości sieci semantycznych

mechanizm wnioskowania oparty jest na

dopasowywaniu reprezentacji kwerendy do

posiadanej sieci semantycznej.

Wnioskowanie

strona 86M. Muraszkiewicz

Przykład: w poniższym systemie informacyjnym

szukamy odpowiedzi na pytanie: Co posiada Jaś ?

Wnioskowanie

kos ptakisa

Jaśisa

GNIAZDO gniazdoisa

posiadama

POSIADA

isa

właściciel

Jaś

posiadama

POSIADA

isa

właściciel

?

System informacyjny Kwerenda

Jeśli dopasowanie nie powiedzie się, system udziela

odpowiedzi: Jaś nie posiada niczego.

strona 87M. Muraszkiewicz

Sieci semantyczne używano m.in. do:

konceptualnego opisu projektowanych

systemów informacyjnych (baz danych),

rozumienia języka naturalnego,

rozpoznawania i rozumienia mowy,

budowy interfejsów do systemów baz danych

opartych na języku naturalnym,

budowania systemów odpowiadających na

pytania (np. SIR),

tworzenia korpusów wiedzy robotów.

Sieci badano także łącznie z ramami (frame) Minsky'ego.

Zastosowania

strona 88M. Muraszkiewicz

Algorytmy genetyczne

strona 89M. Muraszkiewicz

Nota z Wikipedii

„Algorytm genetyczny to rodzaj

algorytmu przeszukującego

przestrzeń alternatywnych rozwiązań

problemu w celu wyszukania

rozwiązań najlepszych. Sposób

działania algorytmów genetycznych

nieprzypadkowo przypomina zjawisko

ewolucji biologicznej, ponieważ ich

twórca John Henry Holland właśnie z

biologii czerpał inspiracje do swoich

prac”.http://pl.wikipedia.org/wiki/Algorytm_genetyczny

strona 90M. Muraszkiewicz

Koncepcja

Elementy przestrzeni rozwiązań nazywane są

chromosomami, zaś składowe kodu chromosomu -

genami (najczęściej kodowane binarnie).

Ocenę nowopowstałych chromosomów prowadzi

się za pomocą funkcji dopasowania (uwaga:

funkcja ta nie powinna być zbyt mocno

selekcjonująca).

Do tworzenia nowych chromosomów korzysta się z

dwóch operatorów genetycznych:

- krzyżowania,

- mutacji.

strona 91M. Muraszkiewicz

Operatory

Krzyżowanie Mutacja

strona 92M. Muraszkiewicz

Schemat ogólny

Źróło: http://panda.bg.univ.gda.pl/~sielim/genetic/gen_algol.htm#klasyczny

strona 93M. Muraszkiewicz

Algorytmbegin

t = 0 initialize population P(t);

evaluate fitness of individuals in P(t);

while terminate_condition not meet do

begin

t = t + 1;

Parents = select_parents_from P(t-1);

Children = generate_children_from Parents;

mutate Children;

evaluate children;

Survivors = select_survivors_from Parents

and Children;

add Survivors to P(t)end

end

strona 94M. Muraszkiewicz

Zastosowania

Rozwiązywanie problemów NP zupełnych (problem komiwojażera)

Optymalizacja

Projektowanie obwodów elektrycznych

Przeszukiwanie dużych przestrzeni rozwiązań

Pozyskiwanie wiedzy

...

strona 95M. Muraszkiewicz

Warto zapoznać się z:

Goldberg D., „Algorytmy genetyczne i ich zastosowania",

Wydawnictwa Naukowo-Techniczne, Warszawa 1995.

Michalewicz Z., „Algorytmy genetyczne+struktury

danych=programy ewolucyjne”, Wydawnictwa Naukowo-

Techniczne, 1996.

Rutkowska D., Piliński M., Rutkowski L., „Sieci neuronowe,

algorytmy genetyczne i systemy rozmyte"

Wydawnictwo Naukowe PWN, 1997

Wprowadzenie do algorytmów genetycznych,

http://panda.bg.univ.gda.pl/~sielim/genetic/index.htm

Jędrkowiak L., Algorytmy genetyczne,

http://wombat.ict.pwr.wroc.pl/internet/flash/index1.html

strona 96M. Muraszkiewicz

Epilog

strona 97M. Muraszkiewicz

Mówi Alicja:

Jeśli nie wiecie

dokąd idziecie, to

prawdopodobnie

zajdziecie gdzie

indziej.

strona 98M. Muraszkiewicz

Dziękuję za uwagę

www.icie.com.pl/lect_pw.htm